生産管理のAI活用6業務｜予測より先に在庫と工程を見える化

「生産管理にAIを入れれば、需要予測が当たるようになるのではないか」。製造業の経営者や工場長の方から、この形の質問をよくいただきます。展示会やベンダーの資料では、需要予測と最適スケジューリングが華やかに並んでいます。導入すれば在庫が減り、納期遅れがなくなるように見えます。

ですが、実際に現場に入って最初に突き当たるのは、まったく別の壁です。「今、何がどこに、いくつあるのか」「どの工程が、どれだけ遅れているのか」が、そもそもデータになっていないという壁です。予測の話を始める前に、答え合わせをする材料が社内にありません。

本記事では、中小企業のAI導入を支援するAi-Rakuの視点で、生産管理という業務領域に絞って、AIの使いどころと着手の順番を整理します。日報・手順書・技術継承といった製造業全般のAI活用は製造業のAI活用｜日報・手順書・議事録の作成を自動化する方法で扱っていますので、全体像はそちらで、生産管理の具体はこの記事でという読み方をおすすめします。

結論｜まず在庫と工程の見える化

結論から申し上げます。生産管理でAIを使うなら、最初に手を付けるのは「在庫と工程の現状をデータにする作業」です。需要予測でも自動スケジューリングでもありません。

理由は単純です。予測とは「まだ起きていないこと」を当てる技術ですが、当たったかどうかを判定するには、実際に起きたことの記録が必要だからです。実績が紙の日報とホワイトボードと担当者の記憶に散らばっている状態では、予測が当たっても外れても、それを誰も証明できません。証明できないものは改善もできません。

予測から始めると失敗する

需要予測から着手した会社で起きることを、順番に並べます。

1. 過去の出荷データを取り出そうとするが、販売管理と生産管理でデータの持ち方が違い、突き合わせに数週間かかる
2. 取り出せても「欠品で売れなかった分」が記録されていないため、実需ではなく販売実績しか見えない
3. 予測値が出るが、現場は「うちはそんな単純じゃない」と言い、結局これまで通りの勘で発注する
4. 3か月後、誰も予測画面を開かなくなる

この4段階は、業種を問わず驚くほど同じ形で起きます。原因は予測モデルの性能ではなく、予測を業務に組み込む前提が整っていないことです。需要予測に必要なデータ要件そのものを判断したい方は、需要予測AIは当たるのか｜必要なデータ7条件と判断で自己診断の項目を整理していますので、そちらを先にご覧ください。

見える化とは何を指すか

「見える化」という言葉は便利すぎて、しばしば何も指さなくなります。ここでは次の3つがデータとして取り出せる状態と定義します。

ここで重要なのは、精緻さではなく「取り出せること」です。1日1回、CSVで書き出せれば十分です。分単位のリアルタイム性は、後から必要になったときに足せばよい要素です。最初から完璧を狙うと、システム選定に半年を溶かします。

最初の30日でやること

着手初月にやることは、AIツールの選定ではありません。「今あるデータを、どこから、どんな形で取り出せるか」を確かめる作業です。

• 生産管理システムまたはExcelから、在庫・工程実績・受注残をCSVで書き出してみる
• 書き出せない項目を一覧にする（これが後の入力設計の対象になります）
• 直近3か月分の納期遅れと、欠品・過剰在庫が起きた品目を、10件だけ手作業で洗い出す
• その10件について「なぜ起きたか」を1行ずつ書く

この10件のリストが、その後すべての判断基準になります。「AIで何ができるか」ではなく「うちで実際に何が起きているか」から始めるのが、生産管理の領域では特に効きます。汎用的な効率化の発想では、製番と工程という固有の構造に噛み合わないためです。

国の指針も「課題の特定が先」と書いている

この順番は、私たちの経験則だけの話ではありません。経済産業省とNEDOが2024年6月に公表したスマートマニュファクチャリング構築ガイドラインは、公表時の説明で次のように述べています。

経営課題・業務変革課題の特定がないまま、既存の部門機能・業務を前提とした「部分最適」を主眼とする取組では、課題の根本的な解決につなげることが難しい場合もあります

ツールから入ると部分最適で止まる、という指摘です。先に「うちで何が起きているか」を特定するという本記事の順番は、ここと同じことを現場の粒度で言い換えたものです。

生産管理でAIに任せる6業務

生産管理という言葉の範囲を先に確認します。日本産業規格では、生産管理に関する用語がJIS Z 8141として体系的に定義されており、生産計画・工程管理・在庫管理などが含まれます（参考：日本規格協会「JIS Z 8141:2022 生産管理用語」／規格の検索は日本産業標準調査会 JIS検索）。この広い領域のうち、現時点のAIが実務で役に立つのは6つの業務です。

6業務の全体像

「すぐ試せる」の3つから始めてください。データ整備を前提とする業務を先に置くと、着手が数か月遅れます。

生産計画のたたき台作り

生産計画の作成は、多くの中小製造業で「特定の1人」が抱えています。頭の中に、設備の癖、段取り替えの手間、外注先の混み具合、営業の言い分が入っているためです。この属人性は簡単には解けません。

ただし、「たたき台を出す」ところまでは分離できます。受注残の一覧、各設備の1日あたり能力、優先度のルールをAIに渡し、割り付け案を3案作らせます。計画担当者は、白紙から埋める作業ではなく、案を見て直す作業になります。

ここで効くのは時間短縮そのものよりも、「なぜその順番なのか」が言語化されることです。担当者がAI案を修正する際に「この品目は段取りが長いので先にまとめる」と直すと、その一言がルールとして蓄積されます。これは属人化を少しずつ削る作業でもあります。

進捗の集計と報告書

朝礼資料、日次の進捗報告、週次の生産会議資料。この3つは中身の8割が同じで、作り直す手間だけが3回発生していることがよくあります。

実績データをCSVで書き出せる状態にしておけば、AIに「本日時点の遅れている製番と、その理由の候補、明日の要注意品目」を出させるだけで報告の下書きになります。人がやるのは、事実確認と、報告先に応じた言い方の調整です。

在庫データの異常検知

在庫の「異常」は、数字が大きいか小さいかだけでは判定できません。見るべきは動きです。

• 過去6か月まったく出ていないのに残高がある品目
• 出庫記録がないのに残高が減っている品目（記録漏れの疑い）
• 入庫の直後に大きく減っている品目（誤入力の疑い）
• 同じ品名が表記違いで複数登録されている品目

この4種類の抽出は、AIに条件を伝えれば数分で終わります。ただし抽出結果は「疑い」であって「事実」ではありません。必ず現物を見に行く手順とセットにしてください。抽出結果をそのまま在庫マスタに反映させる運用は、差異を固定化するだけです。

手配漏れの確認

納期遅れの原因を遡ると、材料や外注の手配漏れに行き着くことが少なくありません。受注は入ったが、手配指示が出ていない。あるいは出したが返事が来ていない。

受注一覧と発注一覧を突き合わせ、「受注はあるが対応する手配がない」行を抽出する。これは本来システムの仕事ですが、システム間が繋がっていない中小企業では人が目視で照合しています。AIに2つのCSVを渡して照合させるだけで、この目視が置き換わります。

図面・仕様の問い合わせ

「あの客先の、あの部品の面粗さの指定はどうだったか」。この種の問い合わせは、ベテランが席を立って図面を探しに行くことで解決されてきました。図面と仕様書が電子化されていれば、AIによる検索と要約で一次回答を出せます。

注意点が1つあります。AIの回答は必ず出典（どの図面の何ページか）とセットで出させてください。出典なしの回答は、確認の手間が減らないため使われなくなります。過去資料を検索可能にする仕組みそのものについては、製造業の手順書作成をAIで｜属人化した作業を文書にで、文書化の側から整理しています。

不良記録の分類

不良記録の自由記述欄は、宝の山であると同時に、誰も読まないデータでもあります。「バリ大」「寸法NG」「客先クレーム、キズ」といった短文が数百行たまっている状態です。

AIはこの分類が得意です。数百行を「発生工程」「不良の種類」「推定原因の分類」に整理し、件数の多い順に並べる作業は数分で終わります。人がやるべきは、その結果を見て是正処置を決めることです。分類作業に人の時間を使う必要はもうありません。

需要予測の精度をどう見るか

ここまでの土台があって、初めて需要予測の話に進めます。そして最初にお伝えすべきことは、「精度何％」という数字を導入前に約束できる人はいないということです。予測の当たり方は、商品特性・受注形態・データの量と質・外部要因の大きさで決まります。同じツールでも会社が違えば結果は変わります。

精度は数字1つで決まらない

「予測精度90％」という表現を見たとき、まず確認すべきは「何を分母にした90％か」です。全品目の平均なのか、動きの多い上位品目だけなのか。月次合計なのか、品目別・日次なのか。粒度を細かくするほど誤差は必ず大きくなります。

そして、たとえ精度が高くても、今のやり方より良いかどうかは別問題です。前年同月の実績をそのまま使う、直近3か月の移動平均を使う、といった単純な方法にも一定の精度があります。導入判断で比べるべきは「AIの精度」ではなく「AIの精度と、今のやり方の精度の差」です。

時系列データには長期的な傾向変動、季節変動、不規則変動が含まれており、移動平均を使って季節的な動きを除く考え方は公的統計でも標準的に使われています（参考：総務省統計局「なるほど統計学園 季節的な動きを除去」／同「その他のデータ分析手法」）。まずこの単純な方法をベースラインとして計算し、それを超えるかどうかで判断してください。

誤差の見方は3つある

予測を運用に乗せるなら、次の3つを毎月記録します。1つの数字では判断できません。

3つ目が最も見落とされます。誤差率が同じでも、単価の高い材料で外すのと、汎用ボルトで外すのとでは意味が違います。品目をABC分析で3階層に分け、階層ごとに誤差を見てください。上位品目の誤差だけを追えば、管理する対象は現実的な数に収まります。

外れた日に誰が決めるか

予測導入で最も重要な設計は、モデルの選定ではありません。「予測が外れたとき、誰が、いつまでに、何を決めるか」という運用の設計です。ここが決まっていないと、外れた瞬間に全員が予測を信用しなくなります。

最低限、次の3点を紙に書いて壁に貼ってください。

1. 判断者を1人決める：予測値を上書きしてよい人を明示する。合議にしない
2. 上書きの理由を1行残す：「客先から内示の情報があったため」など。この蓄積が次の改善材料になる
3. 見直しのタイミングを決める：毎月第1営業日に前月の3指標を確認する、など日付で固定する

この運用があると、予測が外れても「想定内の出来事」として処理されます。予測を信じるかどうかではなく、外れる前提でどう受け止めるかを設計するのが、生産管理における予測の使い方です。

季節と特需を分けて見る

製造業の受注には、繰り返しの季節性と、単発の特需が混在します。この2つを同じデータとして扱うと、翌年の予測が確実に歪みます。大口のスポット受注があった月は、その事実を別欄に記録してください。

記録がないと、AIは「去年のこの月は大きかった」としか読めません。「なぜ大きかったか」を人が1行書き残すことが、翌年の予測を守ります。この作業に高度な仕組みは不要で、Excelの1列で足ります。

工程の遅れを早く見つける

納期遅れの本当の問題は、遅れたこと自体ではなく、遅れに気づくのが遅いことです。3日前に分かれば手を打てた案件が、前日に分かると打てる手がありません。

遅れは3日後に判明する

紙の作業日報を使っている工場では、情報が次の経路をたどります。作業者が日報に書く（当日夕方）、事務が入力する（翌日以降）、集計されて表になる（週次）。結果として、遅れが管理側に見えるのは平均で2〜3日後です。

ここでAIに期待したくなりますが、順序が逆です。入力が2日遅れているデータをどれだけ賢く分析しても、2日前の状況しか分かりません。先に手を付けるべきは、入力の遅れを詰めることです。分析はその後で構いません。

実績入力の最小単位

入力を早くする唯一の方法は、入力項目を減らすことです。生産管理の実績入力で本当に必要な最小単位は、次の4つです。

合計12秒程度です。この4項目に絞れば、作業の合間に入力できます。作業時間、段取り時間、不良数、担当者名などを最初から求めると、入力は必ず後回しになります。追加項目は、4項目が定着してから1つずつ足してください。

遅れ検知のプロンプト例

実績がCSVで取り出せる状態になったら、次のような指示で日次のチェックができます。そのままお使いいただけます。

最後の2文が重要です。「推測と明記させる」「データ不足を指摘させる」ことで、AIが自信ありげに断言する事故を減らせます。特に生産管理では、欠けたデータを埋めた推測が、そのまま誤った指示につながります。

遅れの原因を3つに分ける

遅れを検知したあと、原因を3種類に分けて記録してください。この分類がないと、対策が毎回その場しのぎになります。

• 材料・外注の遅れ：手配の問題。発注リードタイムと手配タイミングの見直しが効く
• 設備・人の不足：能力の問題。計画段階の負荷山積みで防げる
• 仕様変更・不良の手戻り：品質と情報伝達の問題。記録を残さないと再発する

この3分類は、AIに過去の遅れ案件のメモを渡せば自動で振り分けられます。3か月分を分類すると、自社の遅れがどこに偏っているかが一目で分かります。多くの中小製造業では1つ目か3つ目に集中しており、設備投資では解決しない問題であることが判明します。

在庫と発注の判断を支える

在庫は、生産管理の中で最も金額に直結する領域です。財務上は棚卸資産として計上され、企業の資産構成の一部を占めます（参考：財務省「法人企業統計調査の概要」）。ここでのAIの役割は、数量を決めることではなく、判断材料を揃えることです。

在庫は3種類に分けて見る

「在庫が多い」という議論が噛み合わないのは、性質の違う在庫を1つの数字で見ているためです。次の3つに分けてください。

削減の議論は、まず3つ目の死蔵在庫から始めてください。ここは判断がほぼ不要で、抽出すればすぐ着手できます。1つ目と2つ目を先に触ると、欠品のリスクが上がり、現場の反発を招きます。

棚卸しの点検項目表

棚卸しのたびに差異が出る会社には、共通の原因があります。数える作業ではなく、数える前の準備と、数えた後の処理に問題があるケースがほとんどです。次の点検表をそのままお使いください。

この表のうち、上4つはAIに在庫マスタを渡せば機械的に点検できます。「同じものが違う名前で登録されている」問題は、AIが最も得意とする発見の1つです。数百件の品目名から表記ゆれの候補を挙げさせるだけで、差異の原因の一部が消えます。

発注点はAIに決めさせない

発注点や安全在庫の数量を、AIに計算させて自動でマスタに書き込む運用は避けてください。理由は3つあります。

1. 仕入先の事情がデータに入っていない：最小ロット、生産中止予定、値上げ予告は社内データにありません
2. 責任の所在が消える：欠品したとき「AIがそう言ったから」では原因追及ができません
3. 変更履歴が追えなくなる：誰がいつ何を根拠に変えたかが残らないと、次の見直しができません

正しい使い方は、「現在の発注点と、直近12か月の実績から見た妥当性のズレを一覧にする」までです。人はその一覧を見て、変更するかどうかを決めます。1品目あたりの判断は数十秒で済みます。在庫管理の仕組みそのものを自作すべきかどうかで迷っている場合は、在庫管理システムを自作する｜作る前の判断で、見るだけなら自作可・数量を更新するなら慎重に、という線引きを解説しています。

死蔵在庫の洗い出し

死蔵在庫の洗い出しは、AI活用の中で最も早く成果が見える作業です。手順は次の通りです。

1. 在庫一覧と、直近24か月の出庫実績をCSVで用意する
2. AIに「24か月出庫がない品目」「12か月出庫がなく残高金額が上位の品目」を抽出させる
3. 抽出結果に、購入時期・仕入先・関連する製品名を紐づけさせる
4. 営業と技術に「今後使う予定があるか」を確認する欄を付けて回覧する

4つ目が肝心です。抽出だけして処分の判断を誰もしないと、リストが増えるだけで在庫は減りません。回覧の期限と、期限までに回答がない場合の扱い（処分対象とする等）を先に決めておいてください。

現場が入力を続ける工夫

ここまでの仕組みは、すべて現場が実績を入力し続けることを前提としています。そして、生産管理のAI活用が失敗する理由の大半は、モデルでもツールでもなく、この入力が止まることです。

この「人が続けられるか」という論点は、国の白書でも人材の問題として扱われています。2025年版ものづくり白書は、第1部第2章第3節を「ものづくり企業におけるDXの取組状況と人材活用」に充てています。仕組みの導入と、それを回す人の話は切り離せない、という整理です。

入力が止まる3つの理由

入力が止まる理由は、驚くほど共通しています。対策とセットで示します。

3つ目が最も根深く、最も見落とされます。データが「監視の道具」だと受け取られた瞬間に、データの正確性は失われます。導入時の説明で、遅れの記録を個人の評価に使わないことを、経営者の口から明言してください。この一言があるかないかで、その後の数字の質が変わります。

入力は30秒以内にする

入力の所要時間には、経験上の閾値があります。1件30秒を超えると、忙しい日に飛ばされ始めます。1分を超えると、まとめ入力に変わります。まとめ入力になった時点で、時刻の精度は失われ、遅れの早期発見はできなくなります。

30秒以内に収めるための具体策は次の通りです。

• 製番はバーコードかQRコードで読む（手入力させない）
• 工程は端末ごとに固定する（自工程以外を選ばせない）
• 状態は3択のボタンにする（プルダウンにしない）
• 入力端末は工程の横に置く（事務所まで歩かせない）

音声と写真で入力を減らす

手が汚れる工程や、手袋を外せない工程では、画面操作そのものが障害になります。この場合は音声入力が有効です。「製番1234、切削完了、20個」と話した音声を、AIが構造化データに変換する使い方です。

不良の記録も同様です。不良品の写真を撮り、AIに「見えている不良の状態を短く記述して」と渡せば、記録の下書きになります。ただし不良かどうかの判定は人が行います。AIが書くのは見た目の記述までで、良否の判断ではありません。

入力データを現場に返す

入力を続けてもらう最も確実な方法は、入力したデータが自分たちの役に立つ形で戻ってくることです。

• 週1回、工程別の滞留状況を1枚の表にして掲示する
• 月1回、前月に多かった遅れの原因3つを共有する
• 入力によって減った作業（電話での問い合わせ対応など）を具体的に伝える

この掲示物の作成こそ、AIに任せるべき仕事です。担当者が毎週1時間かけて作っていた掲示物が10分で終われば、掲示が続きます。掲示が続けば入力が続き、入力が続けばデータが貯まります。この循環を作ることが、生産管理のAI活用における実質的なゴールです。

AIに任せない判断

ここまでAIの使いどころを見てきましたが、生産管理には、AIに渡してはいけない判断が明確に存在します。線引きを曖昧にしたまま導入すると、事故が起きたときに責任の所在が消えます。

人が決める4つの領域

生産計画の最終確定

生産計画の確定は、客先への約束と直結します。AIの案には、担当者が知っている情報の一部しか入っていません。「あの客先は納期が1日でもずれると困る」「この設備は月末に定期点検が入る」といった情報は、たいていデータになっていません。

したがって、計画は必ず人が確定してください。ただし、確定時に修正した理由を1行残す運用にすると、そのメモが翌年の資産になります。3か月分たまれば、AIに「どんな理由で修正されているか」を分類させることができます。これが属人化を段階的に解く現実的な方法です。

品質判定と出荷可否

良否の判定と出荷の可否は、人が決めます。画像による外観検査を導入している場合でも、最終的な出荷判断の責任は人が負うという設計から外れないでください。

特に注意すべきは、検査記録の「作成」をAIに任せてしまうことです。実測していない数値を生成させるのは、記録の意味を根本から失わせます。AIに任せてよいのは、測った数値を転記・整形する作業と、記録の抜けを指摘させる作業までです。

安全と設備停止の判断

異音、異臭、振動といった異常に対して設備を止めるかどうかは、人の判断領域です。労働安全衛生の枠組みでは、事業者が職場における労働者の安全と健康を確保する責任を負っています（参考：厚生労働省「安全衛生」）。この責任をシステムに移すことはできません。

AIに任せてよいのは、点検記録の集計と、点検漏れの指摘までです。「止めるべきか」という問いをAIに投げる運用は作らないでください。判断が遅れる上に、判断した人が不在になります。

記録の保存責任

取引先から要求される品質記録、トレーサビリティの記録、外部監査で提示する記録。これらの内容に対する責任は、常に自社にあります。AIが生成した文章をそのまま提出することは避け、内容を確認した人の名前が残る運用にしてください。

また、図面や仕様書、取引先の情報をAIサービスに入力する際は、そのデータがどう扱われるかを事前に確認する必要があります。取引先から預かった情報には守秘義務があり、個人情報が含まれる場合は法令上の取り扱いルールも適用されます（参考：個人情報保護委員会「個人情報の保護に関する法律についてのガイドライン（通則編）」）。

既存の生産管理システムとの連携

「今の生産管理システムを入れ替えないとAIは使えないのか」。この質問を非常に多くいただきます。答えは「入れ替え不要です」。むしろ、入れ替えを先に検討すると着手が1年遅れます。

連携は3段階で考える

第1段階を飛ばして第3段階から始めると、ほぼ確実に失敗します。つなぐ前に「何のデータを、どう使うと、何が良くなるか」が確定していないためです。手作業でCSVを渡す期間は、無駄ではなく設計期間です。

CSV書き出しから始める

ほとんどの生産管理システムには、一覧画面からのCSV書き出し機能があります。まずは次の3ファイルを書き出せるか確認してください。

• 在庫一覧（品目コード、品名、数量、置き場、最終更新日）
• 受注残一覧（受注番号、製番、品名、数量、納期）
• 工程実績（製番、工程、着手日時、完了日時、数量）

この3つが揃えば、本記事で紹介した使い方はほぼすべて試せます。書き出せない項目があった場合、それは「システムの限界」ではなく「そもそも入力されていない」ことが原因である場合がほとんどです。まず入力の有無を確認してください。

基幹システムを触らない

AI活用の初期段階では、既存システムに書き込む処理を一切作らないでください。読み取り専用に徹します。理由は、書き込みを含む改修は検証工数が跳ね上がり、失敗したときの影響が生産停止に直結するためです。

読み取り専用に限定すれば、最悪の場合でも「AIの出力が間違っていた」で済み、生産は止まりません。この安全性は、社内の合意を取るうえで決定的に効きます。基幹システムの刷新そのものを検討する段階になったら、それは別のプロジェクトとして切り離してください。

情報の持ち出しに注意

CSVを書き出してAIに渡す運用では、データの持ち出し経路が新たに1つ増えます。次の3点を最初に決めてください。

1. 書き出したCSVの置き場所：個人PCのデスクトップに置かない。共有の管理された場所に限定する
2. 取引先名・図番の扱い：外部サービスに渡す前に、置き換えるか削除するかを決める
3. 利用するAIサービスの規約確認：入力データが学習に使われるかどうかを、契約前に確認する

国内企業のDX・AI活用動向は情報処理推進機構(IPA)が毎年調査しており、2026年7月30日に「DX動向2026」が公表されています（参考：IPA「DX動向2026」／セキュリティ面の基本はIPA「情報セキュリティ対策の資料・ガイド」）。社内ルールを作る際の参考にしてください。

導入費用と始める順番

前掲のガイドラインは、進め方の姿勢を「着眼大局、着手小局」という言葉で表しています。全体を見渡したうえで、着手は小さくという意味です。費用の考え方も同じで、最初から全工程分を積むと動けなくなります。

費用の話に進みます。生産管理のAI活用でかかる費用は、大きく3つに分かれます。ここを分けずに「AI導入にいくらかかるか」と考えると、金額が過大に見積もられます。

費用の内訳

Ai-Rakuの導入支援は初期費用0円・月額5万円〜で、2つ目の「設計・定着の支援」を担当します。1つ目のツール利用料と3つ目の環境整備は、必要な範囲を一緒に決めていく形です。最初から全工程に端末を置く必要はありません。遅れが起きやすい2〜3工程から始めるのが現実的です。

使える補助金

設備や汎用製品の導入には、公的な支援制度が使える場合があります。代表的なものを2つ挙げます。

• 中小企業省力化投資補助金（カタログ注文型）：人手不足の状態にある中小企業等が、カタログに登録された省力化に効果のある汎用製品を導入する費用の一部を補助する制度です。補助率は1/2以下で、補助上限額は従業員規模によって変わります（参考：中小企業省力化投資補助金（カタログ注文型））
• IT導入補助金：業務効率化やDXに資するITツールの導入を支援する制度です（参考：IT導入補助金「事業概要」）

補助金の要件・上限額・受付期間は年度ごとに変わります。本記事の記載は2026年8月時点の情報であり、申請前には必ず公式サイトの最新情報をご確認ください。また、補助金ありきで導入対象を決めると、自社に不要なものを導入することになります。先に「何を解決したいか」を決めてから、使える制度を探す順番を守ってください。

90日の進め方

着手から90日の進め方を示します。この順番には理由があり、入れ替えると効果が出ません。

ここで挙げた失敗パターン以外にも、着手時に起きやすい事故が3つあります。対策とセットで押さえてください。

モデルケース｜60名の部品メーカー

ここまでの内容を、具体的な数字で示します。以下は実在企業の実績ではなく、Ai-Rakuが支援の設計時に用いるモデルケース（試算）です。数値は前提条件から計算したものであり、同じ結果を保証するものではありません。

F社の前提と課題

モデル企業F社の設定は次の通りです。

• 従業員60名、金属プレスと切削の受託加工
• 取引先は自動車部品と産業機械の1次サプライヤー、計12社
• 品目数は約800、月間の製番数は約200
• 生産管理システムは導入済みだが、実績入力は紙の日報を事務が翌日入力
• 生産計画は工場長が毎週金曜の夕方にExcelで作成

抱えていた課題は4つです。①工程の遅れが2〜3日後にしか分からない、②棚卸しのたびに差異が出る、③生産計画が工場長1人に依存している、④不良記録が蓄積されているが誰も分析していない。人手不足の中で間接業務を増やせないことが、すべての背景にありました。

試算の前提条件

業務別の時間試算

導入支援の月額5万円を差し引くと、月120,000円分の時間が別の仕事に回せる計算になります。ここで注意していただきたいのは、削減された68時間がそのまま人件費の削減になるわけではないことです。F社の場合、浮いた時間は工程改善の検討と、新規取引先への見積対応に充てる想定です。人を減らす前提の試算ではありません。

つまずいた3つの点

この試算に至るまでに、想定しているつまずきを3つ挙げます。うまくいった話だけを並べても、実際の役には立たないためです。

1. 実績入力の項目を最初に7つにしてしまう：作業時間と担当者名を含めたところ、1件1分半かかり2週間で入力率が半分以下に落ちる。4項目に削って回復させる
2. 生産計画のAI案を工場長が使わない：案の根拠が見えないため信用されない。「なぜその順番か」を1行ずつ出力させる形に変えて、ようやく使われ始める
3. 死蔵在庫リストを出したまま処分が進まない：誰が判断するか決めていないため、リストが3か月放置される。回覧期限と無回答時の扱いを決めて動き出す

3つとも、技術ではなく運用設計の問題です。生産管理のAI活用で起きる問題は、ほぼすべてこの性質を持ちます。

半年後に残ったもの

F社の想定で、6か月後に残る変化は次の3つです。時間の削減以上に、この3つが重要だと考えています。

• 遅れが翌日に見えるようになった：手を打てる案件が増え、客先への連絡が早くなる
• 生産計画の判断基準が文章で残り始めた：工場長が不在の日でも、代替の担当者が案を作れる
• 現場が数字を見るようになった：週1回の掲示から、工程間の会話が生まれる

なお、需要予測についてF社ではまだ着手していない設定です。6か月かけて在庫と工程の記録が整い、ようやく予測の答え合わせができる土台ができた段階という位置づけです。この順番こそが、本記事で最もお伝えしたい点です。

よくある質問

Q. 生産管理のAIは何から始める？

A. 在庫一覧・受注残・工程実績の3つをCSVで書き出せるか確認するところからです。書き出せない項目があれば、そこが最初の課題になります。ツール選定より前に、自社にどんなデータがあるかを確かめてください。需要予測や自動スケジューリングは、この土台ができてからの話になります。

Q. 生産管理システムの入れ替えは必要？

A. 不要です。既存システムからCSVを書き出して生成AIに渡すだけで、本記事の使い方はほぼすべて試せます。むしろシステム入れ替えを先に検討すると、選定と移行で1年近くかかり、その間まったく前に進みません。既存システムには読み取り専用で接する形から始めてください。

Q. 需要予測AIは中小企業でも使える？

A. 使えますが、着手の順番が重要です。予測が当たったかどうかを判定するには、実績と在庫の記録が揃っている必要があります。記録が紙と記憶に散らばっている状態で予測を入れても、評価ができません。必要なデータ条件は需要予測AIは当たるのか｜必要なデータ7条件と判断で自己診断できます。

Q. 予測精度は何％になりますか？

A. 導入前に約束できる数字はありません。精度は商品特性、受注形態、データの量と質、外部要因の大きさで決まり、同じツールでも会社によって結果が変わります。判断すべきは「AIの精度」ではなく「今のやり方（前年同月や移動平均）と比べて良くなるか」です。まず単純な方法をベースラインとして計算してください。

Q. Excelしかなくても始められる？

A. 始められます。むしろExcelで在庫や工程を管理している会社のほうが、データを取り出しやすい場合があります。必要なのは、品目・数量・日付が行と列で整理されていることだけです。セル結合が多用された帳票形式のExcelは扱いにくいため、一覧形式に直すところから始めてください。

Q. 工程の遅れはどのくらい早く分かる？

A. 実績入力が当日中に行われる状態になれば、翌朝には分かります。逆に言えば、入力が2日遅れているうちは、どんなAIを使っても2日前の状況しか見えません。分析の高度化より、入力を1件30秒以内に収めて当日入力を実現するほうが、効果がはるかに大きくなります。

Q. 現場が入力してくれません

A. 原因は3つのどれかです。①入力に時間がかかる、②入力しても何も返ってこない、③入力すると責められる。①は項目を4つに絞る、②は週1回データから作った表を掲示する、③は遅れの記録を個人評価に使わないと経営者が明言する、で対処します。特に③は、明言がないと数字の正確性そのものが失われます。

Q. 発注数量をAIに決めさせてよい？

A. 決めさせないでください。仕入先の最小ロット、生産中止予定、値上げ予告といった情報は社内データに入っていません。また欠品が起きたときに責任の所在が消えます。AIに任せてよいのは「現在の発注点と、直近12か月の実績から見た妥当性のズレを一覧にする」ところまでです。

Q. 図面をAIに読ませても大丈夫？

A. 取引先から預かった図面には守秘義務があります。利用するAIサービスの規約で、入力データが学習に使われるかどうかを契約前に確認してください。取引先名や図番を置き換えてから渡す運用も有効です。個人情報が含まれる場合は法令上の取り扱いルールも適用されます（参考：個人情報保護委員会「ガイドライン（通則編）」）。

Q. 棚卸しの差異はAIで減りますか？

A. 差異の一部は減ります。特に「同じ品目が表記違いで複数登録されている」「単位が混在している」といったマスタ側の原因は、AIに在庫マスタを渡せば機械的に洗い出せます。ただし現物の数え間違いや、仕掛品の扱いのルール不備は、AIでは解決しません。本記事の点検項目表で、先に運用の抜けを潰してください。

Q. 人手不足の対策になりますか？

A. 間接業務の時間は減りますが、現場の作業そのものは減りません。日本の労働市場は完全失業率と有効求人倍率の長期推移からも人材確保が容易でない状況が続いています（参考：労働政策研究・研修機構「完全失業率、有効求人倍率」／総務省統計局「労働力調査」）。AIが担えるのは、計画・集計・記録という間接業務の部分です。ここを軽くして、人を現場と改善に回す考え方になります。

Q. 社内にAIに詳しい人がいません

A. 生成AIの活用方針について、日本の中小企業では「方針を明確に定めていない」との回答が約半数を占め、大企業と比べて方針の決定が遅れている状況が報告されています（参考：総務省「令和7年版 情報通信白書」企業におけるAI利用の現状）。詳しい人がいないのは例外ではありません。必要なのは技術知識より、自社の業務のどこが詰まっているかを説明できる人です。その説明ができれば、設計は外部と一緒に進められます。

Q. 効果が出るまでどのくらい？

A. 死蔵在庫の抽出と不良記録の分類は、着手した月から結果が出ます。工程の遅れの早期発見は、実績入力が定着する2〜3か月目からです。生産計画のたたき台が実用になるのは3か月目以降です。90日を1つの区切りとして、そこで対象を広げるかどうかを数字で判断する進め方をおすすめします。

Q. 製造業全体のAI活用も知りたい

A. 日報・手順書・議事録・技術継承といった生産管理以外の領域は、製造業のAI活用｜日報・手順書・議事録の作成を自動化する方法で扱っています。作業手順の文書化に絞った内容は製造業の手順書作成をAIで｜属人化した作業を文書にを、業種を問わない進め方は中小企業のAI導入｜何から始めるかをご覧ください。

「うちのデータの状態で、どこまでできるのか」「工程実績の入力をどう設計すればよいか」といったご相談は、製造業向けのAI導入支援の無料相談で承っています。初期費用0円・月額5万円〜で、業務の棚卸しから運用の定着までを伴走します。まずは現状のCSVを1本お持ちいただければ、その場で何が見えるかをお示しします。